Pondération du score de propension dans l'analyse Cox PH et la sélection des covariables

Concernant la pondération du score de propension (IPTW) lors de la modélisation du risque proportionnel de Cox des données de survie dans le temps:

J'ai des données de registre prospectives où nous souhaitons étudier l'effet du traitement d'un médicament que, dans la plupart des cas, les patients prenaient déjà au départ. Je ne sais donc pas comment analyser au mieux les données. Potentiellement, certaines des variables de référence sont dans une large mesure influencées par le traitement et non l'inverse (par exemple, certains biomarqueurs). Je suis un peu perdu quant aux covariables que je devrais inclure dans le modèle de score de propension pour estimer les poids et quelles covariables je devrais inclure comme covariables dans le coxphmodèle (le cas échéant). Tout indice dans la bonne direction serait utile! Je n'ai pas encore trouvé de documentation à ce sujet dans la modélisation CoxPh.

Je pense que les covariables qui représentent des traitements institués au départ qui (pourraient) influencer le résultat devraient être incluses en tant que covariables de Cox PH, mais je n'en suis pas sûr.

Comment puis-je déterminer quelles variables doivent être incluses comme covariables dans le modèle de Cox au lieu d'être utilisées dans le calcul des pondérations des scores de propension?

Question complémentaire:

Je comprends le problème héréditaire de l'évaluation d'un effet thérapeutique d'une certaine intervention qui a déjà commencé - c'est-à-dire qui est répandue chez les patients, avant le début de l'observation. Tant en ce qui concerne l'introduction de biais liés à la variation dans le temps du risque (par exemple, les effets secondaires indésirables plus fréquents la première année de traitement) que les covariables affectées par le traitement. Si je ne me trompe pas - cela a été proposé comme une cause de divergence entre l'observation et la randomisation en ce qui concerne les paramètres cardiovasculaires et l'hormonothérapie substitutive. Dans mon ensemble de données, en revanche, nous souhaitons étudier un éventuel effet indésirable du traitement.

Si j'utilise l'ajustement du score de propension pour étudier l'effet du traitement chez les utilisateurs répandus, c'est-à-dire déjà en utilisant le médicament avant le début de l'observation, dans les données de cohorte et nous observons un effet indésirable d'une thérapie pharmacologique (et c'est ce que nous recherchions). Puis-je exclure la possibilité de surestimer le risque associé au traitement? C'est-à-dire que tant que le risque est significativement élevé, il n'est "certainement" pas protecteur?

Je ne peux pas vraiment imaginer un exemple où ce type de biais peut introduire une surestimation du risque d'association de risque de falsification dans ce contexte.

En théorie, chaque variable que vous sélectionnez dans le cadre du poids du score de propension n'a pas besoin d'être incluse comme covariables dans le modèle, car la pondération a déjà contrôlé leur confusion potentielle. Avec un modèle de pondération approprié, vous pouvez littéralement modéliser l'effet de l'exposition.

Cela étant dit, vous souhaiterez peut-être inclure des termes dans le modèle:

• Estimations "doublement robustes". Il n'y a aucune raison, sauf pour une perte de précision, que vous ne pouvez pas utiliser des variables à la fois dans le modèle de pondération et comme covariables. En théorie, vous vous protégez contre la confusion de deux façons (d'où cette technique appelée «doublement robuste»). Gardez à l'esprit que cela vous protège uniquement contre le modèle PS ou le modèle covariable mal spécifié en vous donnant une "deuxième chance" pour spécifier le modèle correct, ce n'est pas un correctif magique.
• Estimations d'intérêt multiples. La pondération fait disparaître les estimations de l'effet des covariables - si vous voulez un coefficient de régression pour la variable, vous allez vouloir l'inclure comme covariable dans l'étape CoxPH et non dans le modèle PS.

Essayez de rechercher «Doublement robuste» et des termes similaires dans des revues comme Epidemiology ou The American Journal of Epidemiology ainsi que dans la littérature biostatistique et vous devriez découvrir quelques sources utiles.

Il est important de distinguer «affecté par le traitement» et «lié au traitement». Ces derniers peuvent inclure des facteurs de sélection de traitement tels que ceux pour lesquels nous essayons d'ajuster avec propension et / ou ajustement covariable. «Affecté par le traitement» implique que les covariables sont mesurées après le temps zéro (par exemple, après la randomisation ou après le début du traitement), ce qui signifie qu'elles doivent rarement être utilisées.